由于平面地圖呈現(xiàn)方式單一且有限,為提升其多樣性需準(zhǔn)確分割平面地圖中的道路區(qū)域。提出一種基于改進(jìn)CNN（convolutional neural network）平面地圖道路和模糊推理分割的方法。選取兩個道路信息豐富的數(shù)據(jù)庫,實(shí)驗(yàn)選取百度地圖（Baidu）數(shù)據(jù)庫和高德地圖（Amap）數(shù)據(jù)庫,標(biāo)記得到含標(biāo)簽信息的像素訓(xùn)練集;用Sigmoid分割目標(biāo)函數(shù)代替復(fù)雜的Softmax函數(shù)分別訓(xùn)練得到Baidu-CNN模型和Amap-CNN模型;對得到的像素點(diǎn)概率進(jìn)行非線性映射,構(gòu)建模糊推理系統(tǒng);將非線性映射后均勻分布的像素點(diǎn)概率輸入模糊推理系統(tǒng),判斷像素點(diǎn)屬于道路區(qū)域的概率,得到道路分割結(jié)果。結(jié)果表明:所提算法得到的平面地圖道路分割模型較傳統(tǒng)算法分割效果更好;準(zhǔn)確率可以達(dá)到94.49%;單張平面地圖的道路分割速度可達(dá)到5 s。 

【文章頁數(shù)】：7 頁

【文章目錄】：
1 算法基本原理
    1.1 CNN模型及原理
    1.2 模糊推理系統(tǒng)原理
2 平面地圖道路分割方法
    2.1 改進(jìn)的CNN模型
        2.1.1 構(gòu)建訓(xùn)練集
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.3 改進(jìn)分割目標(biāo)函數(shù)
    2.2 非線性映射
    2.3 構(gòu)建模糊概率系統(tǒng)
    2.4 算法整體流程
3 實(shí)驗(yàn)結(jié)果分析
    3.1 實(shí)驗(yàn)環(huán)境
    3.2 訓(xùn)練集數(shù)據(jù)選取
    3.3 CNN模型訓(xùn)練及非線性映射構(gòu)建
        3.3.1 CNN訓(xùn)練模型分析
        3.3.2 非線性映射函數(shù)
    3.4 圖像提取標(biāo)準(zhǔn)評價體系
    3.5 實(shí)驗(yàn)結(jié)果分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于多通道小波卷積神經(jīng)網(wǎng)絡(luò)的路面異常檢測算法[J]. 李博,張洪剛.  華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)的林區(qū)航拍圖像蟲害區(qū)域識別方法[J]. 劉文定,田洪寶,謝將劍,趙恩庭,張軍國.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(03)
[3]多尺度卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜血管分割[J]. 卓鐘爍,程卉怡,劉冰雁,馮壽廷.  激光雜志. 2019(05)
[4]基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測[J]. 劉英,周曉林,胡忠康,於亞斌,楊雨圖,徐呈藝.  林業(yè)工程學(xué)報(bào). 2019(01)
[5]卷積神經(jīng)網(wǎng)絡(luò)圖像處理[J]. 柯研,王希龍,鄭鈺輝.  電子技術(shù)與軟件工程. 2018(22)
[6]基于改進(jìn)全卷積網(wǎng)絡(luò)的皮膚病變圖像分割[J]. 楊國亮,洪志陽,王志元,龔曼.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(11)
[7]基于全卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分割算法[J]. 胡靜,陳志泊,楊猛,張榮國,崔亞稷.  北京林業(yè)大學(xué)學(xué)報(bào). 2018(11)
[8]基于模糊推理的懸臂式隧道掘進(jìn)機(jī)工作性能預(yù)測方法[J]. 曹文貴,李樹林,張永杰.  水文地質(zhì)工程地質(zhì). 2018(05)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的車道線語義分割算法[J]. 徐國晟,張偉偉,吳訓(xùn)成,蘇金亞,郭增高.  電子測量與儀器學(xué)報(bào). 2018(07)
[10]手指靜脈圖像的概率分割方法研究[J]. 溫夢娜,楊金鋒.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)



本文編號：3668356